智慧工地中安全隐患监控方法与流程

1.本发明涉及智慧工地技术领域，尤其涉及智慧工地中安全隐患监控方法。


背景技术：

2.当前，智慧工地的含义着重于有关工地建设过程中的信息收集以及用于“事后”追忆的核查的信息收集、查询及管理。部分涉及工地的安全报警。而工地中涉及安全隐患的因素有：是否佩戴安全帽；是否系带安全带；安全区域（深基坑、设备作业区、临时设置的安全区等等）是否有非正常进入；人员定位（识别身份）以及其他与传感信息有关的设备和地下地质有关的安全因素。
3.显然，安全隐患因素有些是不能用人眼发现的，有些是可以用人眼发现的。对可以用人眼发现的安全隐患因素，总不能让人“时时钉在”某个场景。利用ccd摄像头是个好的选择，部分产品实现了“安全帽是否佩戴”的识别、周边检测告警等功能；但系统识别与认证的准确率不够、漏报率与误报率均较大，实用性不够。


技术实现要素：

4.基于背景技术存在的技术问题，本发明提出了智慧工地中安全隐患监控方法。
5.本发明提出的智慧工地中安全隐患监控方法，包括以下步骤：s1采用ccd摄像机获取工地上的视频信息；s2定义“安全隐患”因素的含义；s3对ccd的视频中，选取带有“安全隐患”因素的部分视频；s4选用合适的“深度学习”算法；s5设置学习算法的二段“阈值”（a、b），小于a为“否”、大于b为“是”；s6对处于a、b之间的为“不确定”视为误报，由人参与告诉系统是还是否；s7系统建立是、否数据库，将人参与告诉系统的是或否存入相应的数据库，以达到不断扩大样本数据库的目标；s8对新的样本数据库进行“深度学习”算法训练；s9当误报率中“是”或者“否”较多，说明a过小或b过大，系统根据误报率自适应阈值参数，逐步降低误报率。
6.优选的，所述步骤s2中“安全隐患”因素的含义为：是否佩戴安全帽、是否系带安全带、安全区域是否有非正常进入、人员身份是否匹配、以及其他与传感信息有关的设备和地下地质有关的安全因素。
7.优选的，所述安全区域为深基坑、设备作业区、临时设置的安全区。
8.优选的，所述步骤s4将视频数据输入至faster r-cnn深度学习算法中，使用faster r-cnn深度学习算法识别场景目标。
9.优选的，使用faster r-cnn深度学习算法识别场景目标，根据识别的类别选择抓取的目标区域，并作为grabcut图像分割算法的输入，通过图像分割获取目标的轮廓，进而
获取目标的具体位置。
10.优选的，所述深度学习算法中，kinect采集视频场景的深度图像和彩色图像，将整幅图像输入到cnn神经网络，提取图像的特征。
11.优选的，所述步骤s2对视频进行预处理，使用超像素分割算法对视频图像进行预处理，得到区域内相似度比较高且拓扑结构比较规整的块状区域。
12.本发明中，所述智慧工地中安全隐患监控方法，是在对视频目标识别、定位算法的准确率、漏报率、误报率指标在实际应用中的含义深刻理解的基础上，提出“保证漏报率为零，允许一定的误报率，并逐步降低误报率”的要求，其体现的优点有：1、本发明设置二个阈值以保证漏报率为零，让用户放心使用；2、本系统设计“人机交互”功能，对误报的信息做“人为确认”是还是否；3、自适应调整二个阈值参数，以达到逐步降低误报率的目的，无需人为调整。
13.本发明设置二个阈值以保证漏报率为零，让用户放心使用，设计“人机交互”功能，对误报的信息做“人为确认”是还是否，同时，自适应调整二个阈值参数，以达到逐步降低误报率的目的，无需人为调整。
附图说明
14.图1为本发明提出的智慧工地中安全隐患监控方法的流程示意图。
具体实施方式
15.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
16.参照图1，智慧工地中安全隐患监控方法，包括以下步骤：s1采用ccd摄像机获取工地上的视频信息；s2定义“安全隐患”因素的含义；s3对ccd的视频中，选取带有“安全隐患”因素的部分视频；s4选用合适的“深度学习”算法；s5设置学习算法的二段“阈值”（a、b），小于a为“否”、大于b为“是”；s6对处于a、b之间的为“不确定”视为误报，由人参与告诉系统是还是否；s7系统建立是、否数据库，将人参与告诉系统的是或否存入相应的数据库，以达到不断扩大样本数据库的目标；s8对新的样本数据库进行“深度学习”算法训练；s9当误报率中“是”或者“否”较多，说明a过小或b过大，系统根据误报率自适应阈值参数，逐步降低误报率。
17.本发明中，所述步骤s2中“安全隐患”因素的含义为：是否佩戴安全帽、是否系带安全带、安全区域是否有非正常进入、人员身份是否匹配、以及其他与传感信息有关的设备和地下地质有关的安全因素。
18.本发明中，所述安全区域为深基坑、设备作业区、临时设置的安全区。
19.本发明中，所述步骤s4将视频数据输入至faster r-cnn深度学习算法中，使用faster r-cnn深度学习算法识别场景目标。
20.本发明中，使用faster r-cnn深度学习算法识别场景目标，根据识别的类别选择抓取的目标区域，并作为grabcut图像分割算法的输入，通过图像分割获取目标的轮廓，进而获取目标的具体位置。
21.本发明中，所述深度学习算法中，kinect采集视频场景的深度图像和彩色图像，将整幅图像输入到cnn神经网络，提取图像的特征。
22.本发明中，所述步骤s2对视频进行预处理，使用超像素分割算法对视频图像进行预处理，得到区域内相似度比较高且拓扑结构比较规整的块状区域。
23.本发明：采用ccd摄像机获取工地上的视频信息；定义“安全隐患”因素的含义；对ccd的视频中，选取带有“安全隐患”因素的部分视频；选用合适的“深度学习”算法；设置学习算法的二段“阈值”（a、b），小于a为“否”、大于b为“是”；对处于a、b之间的为“不确定”视为误报，由人参与告诉系统是还是否；系统建立是、否数据库，将人参与告诉系统的是或否存入相应的数据库，以达到不断扩大样本数据库的目标；对新的样本数据库进行“深度学习”算法训练；当误报率中“是”或者“否”较多，说明a过小或b过大，系统根据误报率自适应阈值参数，逐步降低误报率。
24.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。


技术特征：
1.智慧工地中安全隐患监控方法，其特征在于，包括以下步骤：s1采用ccd摄像机获取工地上的视频信息；s2定义“安全隐患”因素的含义；s3对ccd的视频中，选取带有“安全隐患”因素的部分视频；s4选用合适的“深度学习”算法；s5设置学习算法的二段“阈值”（a、b），小于a为“否”、大于b为“是”；s6对处于a、b之间的为“不确定”视为误报，由人参与告诉系统是还是否；s7系统建立是、否数据库，将人参与告诉系统的是或否存入相应的数据库，不断扩大样本数据库；s8对新的样本数据库进行“深度学习”算法训练；s9当误报率中“是”或者“否”较多，说明a过小或b过大，系统根据误报率自适应阈值参数，逐步降低误报率。2.根据权利要求1所述的智慧工地中安全隐患监控方法，其特征在于，所述步骤s2中“安全隐患”因素的含义为：是否佩戴安全帽、是否系带安全带、安全区域是否有非正常进入、人员身份是否匹配、以及其他与传感信息有关的设备和地下地质有关的安全因素。3.根据权利要求2所述的智慧工地中安全隐患监控方法，其特征在于，所述安全区域为深基坑、设备作业区、临时设置的安全区。4.根据权利要求1所述的智慧工地中安全隐患监控方法，其特征在于，所述步骤s4将视频数据输入至faster r-cnn深度学习算法中，使用faster r-cnn深度学习算法识别场景目标。5.根据权利要求4所述的智慧工地中安全隐患监控方法，其特征在于，使用faster r-cnn深度学习算法识别场景目标，根据识别的类别选择抓取的目标区域，并作为grabcut图像分割算法的输入，通过图像分割获取目标的轮廓，进而获取目标的具体位置。6.根据权利要求1所述的智慧工地中安全隐患监控方法，其特征在于，所述深度学习算法中，kinect采集视频场景的深度图像和彩色图像，将整幅图像输入到cnn神经网络，提取图像的特征。7.根据权利要求1所述的智慧工地中安全隐患监控方法，其特征在于，所述步骤s2对视频进行预处理，使用超像素分割算法对视频图像进行预处理，得到区域内相似度比较高且拓扑结构比较规整的块状区域。

技术总结
本发明公开了智慧工地中安全隐患监控方法，包括以下步骤：采用CCD摄像机获取工地上的视频信息；定义“安全隐患”因素的含义；对CCD的视频中，选取带有“安全隐患”因素的部分视频；选用合适的“深度学习”算法；设置学习算法的二段“阈值”（a、b），小于a为“否”、大于b为“是”；对处于a、b之间的为“不确定”视为误报，由人参与告诉系统是还是否；系统建立是、否数据库，将人参与告诉系统的是或否存入相应的数据库。本发明设置二个阈值以保证漏报率为零，让用户放心使用，设计“人机交互”功能，对误报的信息做“人为确认”是还是否，同时，自适应调整二个阈值参数，以达到逐步降低误报率的目的，无需人为调整。整。整。


技术研发人员：费树岷 陆志刚 王彬彬 费然
受保护的技术使用者：南京东奇智能制造研究院有限公司
技术研发日：2021.09.28
技术公布日：2022/2/7